• 제목/요약/키워드: 온톨로지 정렬오류

검색결과 3건 처리시간 0.016초

의미거리측정방법을 활용한 분산 온톨로지 간 자동 정렬 방법 연구 (A Study on an Automatic Alignment Method of Distributed Ontology by Using Semantic Distance Measure Method)

  • 황상규;변영태
    • 정보관리학회지
    • /
    • 제26권4호
    • /
    • pp.319-336
    • /
    • 2009
  • 시멘틱 웹은 현재의 월드와이드웹의 진화된 모습으로 컴퓨터와 인간이 서로 협업할 수 있도록 컴퓨터가 이해할 수 있는 지식데이터베이스인 온톨로지 기술을 활용한다. 그러나, 온톨로지를 활용하여 정보의 의미를 이해하고 처리 가능하도록 데이터의 표현형식이 표준화 되더라도, 각기 다른 개발자가 서로 다른 개념하에 구축한 온톨로지를 기반으로 작성된 데이터는 상호 불일치 문제를 유발할 수 있다. 따라서, 서로 다른 개념 하에 구축된 온톨로지 간에는 상호 서로 다른 온톨로지 간 정렬작업이 필요하다. 서로 다른 온톨로지 개념노드 간 자동화 처리된 의미정렬 시 인간전문가가 참으로 판단한 사실을 거짓으로 잘못 판단하는 문제상황(false negative)에 의해 정렬오류문제가 발생하게 되는데, 본 연구에서는 서로 다른 온톨로지 개념노드 간 의미정렬과정에서 발생하는 false negative 오류를 최소화 할 수 있는 알고리즘을 새롭게 개발, 제시하였다.

이산 Cuckoo Search를 이용한 온톨로지 정렬 (Ontology Alignment by Using Discrete Cuckoo Search)

  • 한군;정현준;백두권
    • 정보처리학회논문지:소프트웨어 및 데이터공학
    • /
    • 제3권12호
    • /
    • pp.523-530
    • /
    • 2014
  • 온톨로지 정렬의 목적은 지식을 공유 및 재사용 하는 데 있다. 기존 온톨로지 정렬 시스템은 온톨로지 개념의 모호성 때문에 여러 가지 다양한 측정 기법을 사용하고 전수조사를 수행하여 사용자가 만족하는 결과를 얻는다. 온톨로지 개념이 점차 많아짐에 따라 계산이 복잡해지고 걸리는 시간이 기하급수적으로 증가하여 처리 과정에서 오류가 발생한다. 이를 해결하기 위하여 메타 휴리스틱 알고리즘을 사용하는 메타 매칭이 연구되고 있다. 기존 메타 매칭 시스템에서는 사용하는 파라미터가 많기 때문에 온톨로지 정렬 처리에 계산이 복잡하고 특정 도메인의 다양한 데이터에 따라 조율이 요구되어 온톨로지 정렬 탐색에 좋은 성능을 보여주지 못했다. 이 논문에서는 온톨로지 정렬을 쉽고 간단한 계산을 통해 높은 성능을 목표로 하여 DCS(Discrete Cuckoo Search) 를 사용한 온톨로지 정렬 알고리즘을 제안한다. 제안한 알고리즘은 Levy Flight 분포에 따른 탐색으로 효율적인 전략을 보여준다. 제안된 알고리즘은 OAEI 2012(Ontology Alignment Evaluation Initiative)에서 제공하는 벤치마크 데이터와 제안 알고리즘을 사용하여 성능을 평가한다.

온톨로지의 구축과 학습: 상하위 관계

  • 최기선;류법모
    • 정보과학회지
    • /
    • 제24권4호
    • /
    • pp.24-30
    • /
    • 2006
  • 온톨로지의 기본개념, 응용 분야 및 학습 단계에 대하여 간단하게 설명하였고, 온톨로지 학습단계에서 전문 분야의 개념간 계층 관계 학습 방법에 대하여 자세하게 알아보았다. 전문분야 개념을 표현하는 전문 용어 사이의 계층 관계를 학습하는 방법은 크게 규칙 기반 방법, 통계 기반 방법 그리고 용어의 전문성과 유사도를 이용하는 방법으로 나눌 수 있다. 규칙 기반 방법은 비교적 정확한 결과를 얻을 수 있는 장점이 있지만 재현율이 낮은 단점이 있다. 기존은 통계 기반 방법에서는 재현율이 높은 장점이 있지만 정확률이 낮은 단점이 있다. 또한 이 방법에서는 순수하게 통계 정보만 이용하기 때문에 오류에 대한 분석이 어려운 단점이 있다. 용어의 전문성과 용어간 유사도를 이용한 방법에서는 용어의 전문성을 이용하여 기존의 계층 구조에서 상위에 후보를 선택하고, 용어간 유사도를 이용하여 선택한 후보를 정렬하여 최적의 후보를 찾는다. 이 방법은 상위어 선정 과정을 두 단계로 분리하여 수행하기 때문에 오류 분석이 용이한 장점이 있다. 향후 온톨로지 학습 과정에서 계층 관계뿐 아니라 인과 관계 및 다양한 관계의 학습과 관련된 연구가 진행되어야 한다.